CN106991393A - 基于多重分形维数的辐射源指纹特征提取方法 - Google Patents

Abstract

本发明提出了一种基于多重分形维数的辐射源指纹特征提取方法。本发明从解决辐射源个体特征难以识别的角度出发，在传统特征识别的基础上，基于信号分形复杂度特征，根据接收信号复杂程度的不同以及所处环境的噪声的情况，利用不同复杂度的分形维数特征，刻画信号的细微特性，建立特征数据库，从而实现更精细的信号特征提取，该算法计算简单，实现更低信噪比下的辐射源个体识别。

Description

基于多重分形维数的辐射源指纹特征提取方法

技术领域

本发明涉及一种辐射源个体识别方法。

背景技术

如何通过侦查、截获、定位，进而分析和识别辐射源的特性、判断威胁等级等，一直是电子战中电子支援的主要内容，而通信信号识别是解决该问题的关键问题之一。辐射源个体识别技术在信号处理领域具有重要的意义。它需要在复杂的噪声环境中识别出辐射源个体信号，从而为进一步分析和处理信号提供依据。现代通信系统中，通信环境复杂多变，由于通信设备本身的测量误差以及传输环境中各种干扰的存在，使接收到的信号特征参数跟真值相比具有一定的随机性和模糊性，这就使辐射源个体识别中的关键环节——特征提取成为了一个难题。因此，如何在复杂多变的电磁环境中以较小的计算复杂度，较小的计算时间，在低信噪比下对辐射源个体达到较高的识别率，是现代通信系统研究的关键。

如今，对通信辐射源个体信息的获取越来越困难，目前已有的辐射源个体识别的方法有很多，这些算法在一定程度上，实现了较低信噪比下的辐射源个体识别，也为现代通信技术中的识别提供了很好的理论依据。但随着通信环境的日益复杂，需要根据当前需求，不断的发明新的技术方法来提高传统算法的抗噪能力。

现有的技术方法中，采用简单的特征参数提取算法计算相对简单，容易实现，但是，提取到的特征参数容易受噪声的影响，适合于信噪比较高的环境，其应用范围因而受到一定的限制。使用简单的特征参数已经无法对各种辐射源个体进行识别。从近几年来国内外学者发表的文献中可以看出，信号的特征提取与识别理论越来越受到有关学者的重视，各种各样的现代信号处理技术，其中包括小波理论、分形理论、人工神经网络、高阶统计量、谱相关理论等，都开始或已经被应用到对该理论的研究中。但是，如何在较低信噪比条件下准确的提取辐射源个体特征，并尽量减小计算方法的复杂度，仍没有被很好的解决，成为当前研究的重点。

发明内容

本发明要解决的技术问题是：在较低信噪比条件下准确的提取辐射源个体特征，并尽量减小计算方法的复杂度。

为了解决上述技术问题，本发明的技术方案是提供了一种基于多重分形维数的辐射源指纹特征提取方法，其特征在于，包括以下步骤：

步骤1、对信号进行相空间重构，将信号分为N个小区域，第i个小区域的线度大小为ε_i，则第i个小区域的密度分布函数P_i用不同的标度指数α_i描述为：

步骤2、将得到密度分布函数P_i代入：

计算得到广义分形维数D_q即可得到信号的多重分形维数特征，式中：

X_q(ε)为各个区域的概率加权求和，

q为参数，当q＞＞1时，中概率大的区域起主要作用，此时的D_q和X_q(ε)反应的是概率高区域的性质；当q→∞时，忽略小的概率，而只考虑概率较大的密度分布函数P_i，从而对广义分形维数D_q的计算进行简化；当q＜＜1时，D_q和X_q(ε)反应的是概率小区域的性质；当q＝0，1，2时，分别定义D₀为容量维数、D₁为信息维数，D₂为关联维数。

分形理论是现代数学理论的一个分支，它与动力学系统的混沌理论相辅相成。多重分形维数在一维分形维数的基础上，在多个层次上，对信号的分形维数进行了刻画，相对于一维分形维数而言，能够更好的刻画信号的细微变化，根据信号的复杂程度，选择相应的分形维数算法，就可以进而准确的识别不同通信信号。

本发明从解决辐射源个体特征难以识别的角度出发，在传统特征识别的基础上，基于信号分形复杂度特征，根据接收信号复杂程度的不同以及所处环境的噪声的情况，利用不同复杂度的分形维数特征，刻画信号的细微特性，建立特征数据库，从而实现更精细的信号特征提取，该算法计算简单，实现更低信噪比下的辐射源个体识别。

从多重分形维数的定义中可以看出，多重分形维数能够从不同的维度上，对信号的特征进行详细刻画，计算量和复杂度也大大增高，对于处于不同噪声环境中的相同信号的细微特征的提取，具有更好的应用价值。因此，本发明通过对信号和噪声复杂程度的先验分析，进而选择相应的分形维数特征提取算法，在算法的复杂度和有效性方面，进行一个优化的选择。

附图说明

图1为10dB信噪比条件下不同调制信号的多重分形维数特征；

图2为0dB信噪比条件下不同调制信号的多重分形维数特征；

图3为-10dB信噪比条件下不同调制信号的多重分形维数特征；

图4为FSK信号+不同分布噪声序列及其多重分形维数曲线，其中：

(a)为FSK信号+均匀分布噪声；(b)为FSK信号+瑞利分布噪声；(c)为FSK信号+指数分布噪声；(d)为FSK信号+贝塔分布噪声；(e)为FSK信号+正态分布噪声。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明提供的一种基于多重分形维数的辐射源指纹特征提取方法利用扩展的多重分形维数来提取电台内部噪声不同层次、不同概率波形点的结构特征，提高对噪声类别的区分数目，更加准确的识别不通辐射源个体所表现的不同细微差别。针对不同的信噪比环境以及信号复杂程度的不同，选择相应的分形维数特征，对信号的细微特征进行提取，本发明采用的技术方案如下。

1.1附加相同噪声的不同调制信号的特征提取

对于附加相同白噪声的不同调制信号，相对于附加不同分布噪声的信号，特征更为明显，一般情况下，不需要利用多重分形维数进行复杂度较高的特征提取。因此，对于信噪比较高环境下的不同通信调制信号，可以采用先粗分类再细分类的信号特征提取算法，在特征提取算法复杂度较低的情况下实现对信号的准确识别，对于信噪比较低的环境中无法分类的信号，才直接采用多重分形维数算法进行计算，具体计算步骤如下：

首先，利用一维分形维数算法，对待识别信号进行一维分形维数特征提取，实现第一次的粗分类；

其次，对于特征分类度较差的信号，可利用多重分形维数进行二次分类，实现对信号多重细微特征的提取。

1.2附加不同噪声的相同信号的特征提取

对于附加不同噪声的相同通信信号，信号特征并不明显，因此，需要对信号进行相空间重构后，再利用多重分形维数进行细微特征的提取，相对于附加相同噪声的不同信号的特征提取算法，特征提取的复杂度有所提高，但是，分类的效果也会大大提升，算法的具体实现步骤如下：

1)首先对接收到的未知通信信号进行预处理即进行离散化：

设接收到的辐射源个体信号为s，预处理后的离散信号序列为{s(i)}，其中，i＝1，2，...，N₀表示信号的采样点数，N₀为信号序列的长度；

2)将离散化后的信号序列进行重组：

首先对预处理后的离散通信信号序列{s(i}，i＝1，2，...，N₀，定义以下特征参量：

定义：表示重组信号不同向量个数的次数；

定义：t(j)＝2^j，表示每次重组信号中离散信号点的个数，其中，j＝1，2，...，n，表示重组信号不同向量个数的次数的取值；

定义数字序列：

则重组信号序列S(j)的定义方法为：

S(j)＝s(T(j)*(t(j)-1)+T₀(j)) (2)

其中，T₀(j)＝[1：T(j)]，j＝1，2，…，n。

3)对重组的特征向量进行多重分形维数运算，选择不同的维数，提取通信信号的多重分形维数特征：

多重分形维数描述的是事物不同层次的特征，一个多重分形可以看做是由不同维数的分形子集组成的并集，把研究对象分为N个小区域，第i个小区域的线度大小为ε_i，则第i个小区域的密度分布函数P_i用不同的标度指数α_i描述为：

非整数α_i称为奇异指数，表示某一区域的分形维数，由于一个信号可以划分为许多不同的小区域，于是可以得到由一系列不同的α_i所组成的变量f(α)，则f(α)成为信号的多重分形谱。

定义函数X_q(ε)为各个区域的概率加权求和，ε为线度大小，q为密度分布函数P_i的幂数，即：

定义广义分形维数D_q为：

由此，对步骤2)中的每一个重组信号S(j)求和，S(j)表示第j个重组信号，即：

其中，J＝1，2，...，J₀，j＝1，2，...，n，S_J为第J次重组信号的和，J₀为重组信号的次数。

再对整个离散信号序列求和，和为，即：

s(i)为离散信号序列的第i个采样点值，则第J个概率测度P_J定义为：

将P_J带入到多重分形维数D_q的计算式中即可得到信号的多重分形维数特征。

不同噪声环境下的信号多重分形维数特征结果如图1、图2、图3、图4所示。

Claims (1)

1.一种基于多重分形维数的辐射源指纹特征提取方法，其特征在于，包括以下步骤：

步骤1、对信号进行相空间重构，将信号分为N个小区域，第i个小区域的线度大小为ε_i，则第i个小区域的密度分布函数P_i用不同的标度指数α_i描述为：

$P_i={\mathrm{\ϵ}}_t^{{\mathrm{\α}}_i},i=1,2,...,N$

步骤2、将得到密度分布函数P_i代入：

$D_q=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln X_q\left(\mathrm{\ϵ}\right)}{ln\mathrm{\ϵ}}=\frac{1}{q-1}\underset{\mathrm{\ϵ}\→0}{\lim }\frac{\ln \left(\underset{i=1}{\overset{N}{\Σ}}{P}_i^q\right)}{ln\mathrm{\ϵ}}$

计算得到广义分形维数D_q即可得到信号的多重分形维数特征，式中：

X_q(ε)为各个区域的概率加权求和，

q为参数，当q＞＞1时，中概率大的区域起主要作用，此时的D_q和X_q(ε)反应的是概率高区域的性质；当q→∞时，忽略小的概率，而只考虑概率较大的密度分布函数P_i，从而对广义分形维数D_q的计算进行简化；当q＜＜1时，D_q和X_q(ε)反应的是概率小区域的性质；当q＝0，1，2时，分别定义D₀为容量维数、D₁为信息维数，D₂为关联维数。